CN112099460A - 适用于深度学习金属注射成型烧结产品质量特征处理方法 - Google Patents
适用于深度学习金属注射成型烧结产品质量特征处理方法 Download PDFInfo
- Publication number
- CN112099460A CN112099460A CN202011200371.6A CN202011200371A CN112099460A CN 112099460 A CN112099460 A CN 112099460A CN 202011200371 A CN202011200371 A CN 202011200371A CN 112099460 A CN112099460 A CN 112099460A
- Authority
- CN
- China
- Prior art keywords
- product
- injection molding
- deep learning
- processing method
- metal injection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000001746 injection moulding Methods 0.000 title claims abstract description 19
- 239000002184 metal Substances 0.000 title claims abstract description 19
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000005245 sintering Methods 0.000 title claims description 30
- 239000000463 material Substances 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 45
- 230000007613 environmental effect Effects 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 238000013526 transfer learning Methods 0.000 claims abstract description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 23
- 239000000498 cooling water Substances 0.000 claims description 6
- 238000007710 freezing Methods 0.000 claims description 4
- 230000008014 freezing Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000004321 preservation Methods 0.000 claims description 4
- 239000000243 solution Substances 0.000 description 11
- 238000013461 design Methods 0.000 description 9
- 238000013400 design of experiment Methods 0.000 description 8
- 238000012546 transfer Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000012356 Product development Methods 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F3/00—Manufacture of workpieces or articles from metallic powder characterised by the manner of compacting or sintering; Apparatus specially adapted therefor ; Presses and furnaces
- B22F3/22—Manufacture of workpieces or articles from metallic powder characterised by the manner of compacting or sintering; Apparatus specially adapted therefor ; Presses and furnaces for producing castings from a slip
- B22F3/225—Manufacture of workpieces or articles from metallic powder characterised by the manner of compacting or sintering; Apparatus specially adapted therefor ; Presses and furnaces for producing castings from a slip by injection molding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Manufacturing & Machinery (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明公开了一种适用于深度学习金属注射成型烧结产品质量特征处理方法，具体步骤为：第一步骤、收集现有不同烧结零件产品的试验数据；第二步骤、通过零件产品材料表整理出零件产品材料；第三步骤、通过零件图纸计算出零件产品几何参数；第四步骤、通过产品生产日期，查找试验日期环境因素；第五步骤、对所有输入参数进行标准化及归一化设置，作为算法模型训练所需的输入特征；第六步骤、训练出具有迁移学习能力的算法模型。该方法中增加了零件产品材料、零件产品几何参数以及环境因素这些参数作为输入特征，在新产品极少量试验数据情况下，训练出具有迁移学习能力的算法模型，从而对新产品在特定控制参数下的性能进行预测。
Description
技术领域
本发明涉及深度学习模型的技术领域，尤其是一种适用于深度学习金属注射成型烧结产品质量特征处理方法。
背景技术
在MIM金属注射成型技术领域中，目前当厂家需要生产一种新的产品前，普遍采用DOE（Design of Experiment）试验设计来寻找烧结炉的一种可行参数（温度、烧结时间和烧结分压），能够满足产品的良率要求，以进行大规模投产。然而，这种DOE试验方法比较依赖人的经验，且需要不断试验，效率较低。通过引入深度学习的方法，利用以往工厂的生产记录和DOE试验记录，可以形成一种深度学习模型，模型学习以往经验，能够较好地根据烧结工艺参数推算出烧结产品的质量，从而降低前期的试验周期，得到合理的烧结温度和烧结时间，为企业带来价值。
中国专利文献，公开号为CN111283186A，公开了一种烧结体制造装置和烧结体制造方法，该烧结体制造装置包括压制装置、机械加工装置、压坯输送路径、未烧结材料输送路径、托盘、压坯转移装置，待用台架，其构造成在压坯被移动到机械加工装置之前将放置有压坯的托盘暂时保持在待用台架上待用，在未烧结材料被转移到烧结炉之前将放置有未烧结材料的托盘暂时保持在待用台架上待用；输送侧转移装置，其构造成通过将放置有压坯的托盘保持且放置到待用台架将压坯转移到待用台架，并通过将待用台架上的托盘保持且放置到未烧结材料输送路径将未烧结材料转移到烧结炉；未烧结材料转移装置，其通过仅保持未烧结材料将未烧结材料转移到烧结炉。该烧结体制造方法使用上述烧结体制造装置。该专利并未涉及到算法模型的搭建及输入特征信息。
另外，常规深度学习的方法，因为输入特征中不包含零件几何及材料信息，因此模型对其他零件性能的泛化迁移能力较差，且不包含外部温度、湿度情况，因为无法考虑环境因素影响，不具备实时根据天气情况调整参数的功能。
发明内容
本发明要解决的技术问题是：为了解决上述背景技术中存在的问题，提供一种适用于深度学习金属注射成型烧结产品质量特征处理方法，增加了零件产品材料、零件产品几何参数以及环境因素这些参数作为输入特征，在新产品极少量试验数据情况下，训练出具有迁移学习能力的算法模型，从而对新产品在特定控制参数下的性能进行预测，有效减少新产品开发中试验及算法模型训练的工作量。
本发明解决其技术问题所采用的技术方案是：一种适用于深度学习金属注射成型烧结产品质量特征处理方法，具体包括以下步骤：
第一步骤、收集现有不同烧结零件产品的试验数据；
第二步骤、通过零件产品材料表整理出零件产品材料；
第三步骤、通过零件图纸计算出零件产品几何参数；
第四步骤、通过产品生产日期，查找试验日期环境因素；
第五步骤、对所有输入参数进行标准化及归一化设置，作为算法模型训练所需的输入特征；
第六步骤、训练出具有迁移学习能力的算法模型。
进一步具体地说，上述技术方案中，在所述的第一步骤中，试验数据包括试验控制参数、零件位置、性能以及日期信息，所述的试验控制参数包括烧结温度、升降温速度、保温时间、分压以及冷却水套流量，所述的零件位置包括层数、列数以及行数。
进一步具体地说，上述技术方案中，所述的层数、所述的列数以及所述的行数采用0ne-hot编码形式记录。
进一步具体地说，上述技术方案中，在所述的第二步骤中，零件产品材料包括材料类型、材料组分以及材料占比。
进一步具体地说，上述技术方案中，所述的材料类型设置采用0ne-hot编码形式处理，材料组分和材料占比采用数值形式。
进一步具体地说，上述技术方案中，在所述的第三步骤中，零件产品几何参数包括通孔水利直径与零件水利直径之比、沉槽特征尺寸与零件水利直径之比、水利直径、最大厚度、最小厚度、外轮廓圆弧角度、通孔形状、通孔数量、沉槽数量以及沉槽形状。
进一步具体地说，上述技术方案中，所述的通孔形状为圆形、长圆形、长方形、椭圆或三角形。
进一步具体地说，上述技术方案中，所述的沉槽形状为圆形、长圆形、长方形、椭圆或三角形。
进一步具体地说，上述技术方案中，在所述的第四步骤中，所述的环境因素包括环境温度、湿度信息、烧结控制温度与环境温度差异、水套进水温度、水套出水温度以及水套流量，将水套进水温度与环境温度视同，出水温度及流量采用试验值。
进一步具体地说，上述技术方案中，在所述的第六步骤中，通过包含零件产品材料、零件产品几何参数，根据输入特征中零件产品几何参数的变化，通过冻结部分参数权重，训练出具有迁移学习能力的算法模型，从而对新产品在特定控制参数下的性能进行预测，并且由于输入特征中包含环境因素，由此特征训练的算法可根据天气情况实时调整工艺参数。
本发明的有益效果是：本发明提出的一种适用于深度学习金属注射成型烧结产品质量特征处理方法，在该方法中，除了常规地将烧结工艺参数（烧结温度、升降温速度、保温时间、分压、冷却水套流量以及零件产品位置信息）作为输入数据外，还增加了零件产品材料、零件产品几何参数以及环境因素这些参数作为输入特征，将产品各质量性能数值作为输出预测特征，以此特征训练得到的算法模型可以在新产品极少量试验数据情况下，根据输入特征中零件产品几何参数的变化，通过冻结部分参数权重，训练出具有迁移学习能力的算法模型，从而对新产品在特定控制参数下的性能进行预测，有效减少新产品开发中试验及算法模型训练的工作量，并且由于输入特征中包含环境因素，由此特征训练的算法可根据天气情况实时调整工艺参数，进一步提高产品良率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的工作原理图。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
见图1，一种适用于深度学习金属注射成型烧结产品质量特征处理方法，具体包括以下步骤：
第一步骤、收集现有不同烧结零件产品的试验数据。
第二步骤、通过零件产品材料表整理出零件产品材料，该零件产品材料表可以选用BOM表；BOM，物料清单，也就是以数据格式来描述产品结构的文件，是计算机可以识别的产品结构数据文件，也是ERP的主导文件；BOM使系统识别产品结构，也是联系与沟通企业各项业务的纽带；ERP系统中的BOM的种类主要包括5类：缩排式BOM、汇总的BOM、反查用BOM、成本BOM以及计划BOM。
第三步骤、通过零件图纸计算出零件产品几何参数，该零件图纸可以选用CAD图纸，CAD三维数据即可；CAD，指利用计算机及其图形设备帮助设计人员进行设计工作。在设计中通常要用计算机对不同方案进行大量计算、分析和比较，以决定最优方案；各种设计信息都能存放在计算机内存或外存里，并能快速检索；设计人员通常用草图开始设计，将草图变为工作图的工作交给计算机完成；由计算机自动产生设计结果，快速作出图形，使设计人员及时对设计做出判断和修改；利用计算机可以进行与图形的编辑、放大、缩小、平移、复制和旋转等有关的图形数据加工工作。
第四步骤、通过产品生产日期，查找试验日期环境因素；
第五步骤、对所有输入参数进行标准化及归一化设置，作为算法模型训练所需的输入特征；
第六步骤、训练出具有迁移学习能力的算法模型。
在第一步骤中，试验数据包括试验控制参数、零件位置、性能以及日期信息等，其中试验控制参数包括工作压力、烧结温度、升降温速度、保温时间、分压、冷却水套流量、冷却水流量以及冷却水温度等。零件位置包括层数、列数以及行数等。性能包括角度、平面度、垂直度、位置度、拉伸强度、断裂伸长率、硬度、密度以及收缩率等。日期信息是烧结产品试验的时间，主要是用来查找当天温度。
其中，层数、列数以及行数等采用0ne-hot编码形式记录，非数值形式。0ne-hot编码是用N位状态寄存器来对N个状态进行编码。
当然，层数、列数以及行数等亦可以使用label-hot，使用字符串来代替位置信息。
在第二步骤中，零件产品材料包括材料类型、材料组分以及材料占比等。
其中，材料类型设置采用0ne-hot编码形式处理，材料组分和材料占比采用数值形式。
当然，材料类型设置亦可以使用label-hot，使用字符串来代替位置信息。
在第三步骤中，零件产品几何参数包括通孔水利直径与零件水利直径之比、沉槽特征尺寸与零件水利直径之比、水利直径、最大厚度、最小厚度、外轮廓圆弧角度、通孔形状、通孔数量、沉槽数量以及沉槽形状等。
其中，通孔形状为圆形、长圆形、长方形、椭圆、三角形或N边形等，N边形可以是五边形、六边形、七边形或八边形等等。
沉槽形状为圆形、长圆形、长方形、椭圆、三角形或N边形等，N边形可以是五边形、六边形、七边形或八边形等等。
在第四步骤中，环境因素包括环境温度、湿度信息、烧结控制温度与环境温度差异、水套进水温度、水套出水温度以及水套流量等，将水套进水温度与环境温度视同，出水温度及流量采用试验值。
在第五步骤中，所有输入参数包括第一步骤中试验控制参数、零件位置等、第二步骤的零部件材料组分、占比参数等、第三步骤中的几何参数等以及第四步骤中的环境温度、湿度参数等。标准化及归一化设置由Sklearn库中StandardScaler方法进行。
在第六步骤中，通过包含零件产品材料和零件产品几何参数，可以在新产品极少量试验数据（3～5组试验数据）情况下，根据输入特征中零件产品几何参数的变化，通过冻结部分参数权重，训练出具有迁移学习能力的算法模型，从而对新产品在特定控制参数下的性能进行预测，有效减少新产品开发中试验及算法模型训练的工作量，并且由于输入特征中包含环境因素，由此特征训练的算法可根据天气情况实时调整工艺参数，进一步提高产品良率。算法调节工艺参数频率为每24h更新一次，根据当天下午一点至两点平均温度、湿度作为依据进行参数。
其中，参数权重的设置方法是：深度神经网络模型通过keras接口将需冻结层layer的trainable参数改为False。
传统试验DOE方法，烧结炉工艺参数包括温度、时间和分压三种类型，且每个参数选择3个因子时，需要11～27组试验，全部完成试验时间需3～6个月，且样件良品率也严重依赖试验设计工程的经验，风险较大。
需要说明的是：DOE（试验设计）在质量控制的整个过程中扮演了非常重要的角色，它是我们产品质量提高，工艺流程改善的重要保证。DOE步骤：一、筛选主要显著的因子；二、找出最佳之生产条件组合；三、证明最佳生产条件组合有再现性。判断DOE第一阶段实验成功：一、在ANOVA分析中出现了1～4个显著因子；二、这些显著因子的累积贡献率在75%以上。判断DOE第二阶段实验成功：在ANOVA分析中没有出现显著因子。
本发明使用基于深度学习模型的方法，在试验进行到1/3或1/2时，可不断利用已经完成的烧结试验进行训练，即可根据模型预测后续试验结果参数。当有新产品试验需求时，在新产品试验进行（3～5组）1/6时，通过将其他零件的算法模型部分参数冻结，使用新产品试验数据进行训练，从而在试验更早阶段预测产品性能，采用质量特征处理方法的时间是一周左右。
通常对于特定产品来说，烧结参数一旦确定，便不会再做调整，但随着外部环境变化，冷却水水温发生变化，导致烧结炉外壁换热条件发生变化而影响烧结炉内温度场分布，进一步引起烧结产品质量波动，现在的输入特征把外部环境因素考虑在内，所训练的模型能够对外部环境的变化做出相应调整，实时控制烧结工艺参数以保持良率的稳定。
本发明的关键点在于烧结零件产品的输入特征选择，除烧结炉控制参数以及产品位置信息之外，还增加了零件产品材料、零件产品几何参数和环境因素，提出零件产品几何参数的具体种类以及具体环境因素，用此特征训练出的模型，后期适用于新产品的迁移学习，并能够实现不同环境下对烧结工艺的实时控制。
以上所述的，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种适用于深度学习金属注射成型烧结产品质量特征处理方法，其特征在于，具体包括以下步骤：
第一步骤、收集现有不同烧结零件产品的试验数据；
第二步骤、通过零件产品材料表整理出零件产品材料；
第三步骤、通过零件图纸计算出零件产品几何参数；
第四步骤、通过产品生产日期，查找试验日期环境因素；
第五步骤、对所有输入参数进行标准化及归一化设置，作为算法模型训练所需的输入特征；
第六步骤、训练出具有迁移学习能力的算法模型。
2.根据权利要求1所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，其特征在于：在所述的第一步骤中，试验数据包括试验控制参数、零件位置、性能以及日期信息，所述的试验控制参数包括烧结温度、升降温速度、保温时间、分压以及冷却水套流量，所述的零件位置包括层数、列数以及行数。
3.根据权利要求2所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，其特征在于：所述的层数、所述的列数以及所述的行数采用0ne-hot编码形式记录。
4.根据权利要求1所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，其特征在于：在所述的第二步骤中，零件产品材料包括材料类型、材料组分以及材料占比。
5.根据权利要求4所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，其特征在于：所述的材料类型设置采用0ne-hot编码形式处理，材料组分和材料占比采用数值形式。
6.根据权利要求1所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，其特征在于：在所述的第三步骤中，零件产品几何参数包括通孔水利直径与零件水利直径之比、沉槽特征尺寸与零件水利直径之比、水利直径、最大厚度、最小厚度、外轮廓圆弧角度、通孔形状、通孔数量、沉槽数量以及沉槽形状。
7.根据权利要求6所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，其特征在于：所述的通孔形状为圆形、长圆形、长方形、椭圆或三角形。
8.根据权利要求6所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，其特征在于：所述的沉槽形状为圆形、长圆形、长方形、椭圆或三角形。
9.根据权利要求1所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，其特征在于：在所述的第四步骤中，所述的环境因素包括环境温度、湿度信息、烧结控制温度与环境温度差异、水套进水温度、水套出水温度以及水套流量，将水套进水温度与环境温度视同，出水温度及流量采用试验值。
10.根据权利要求1所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，其特征在于：在所述的第六步骤中，通过包含零件产品材料、零件产品几何参数，根据输入特征中零件产品几何参数的变化，通过冻结部分参数权重，训练出具有迁移学习能力的算法模型，从而对新产品在特定控制参数下的性能进行预测，并且由于输入特征中包含环境因素，由此特征训练的算法可根据天气情况实时调整工艺参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011200371.6A CN112099460B (zh) | 2020-11-02 | 2020-11-02 | 适用于深度学习金属注射成型烧结产品质量特征处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011200371.6A CN112099460B (zh) | 2020-11-02 | 2020-11-02 | 适用于深度学习金属注射成型烧结产品质量特征处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112099460A true CN112099460A (zh) | 2020-12-18 |
| CN112099460B CN112099460B (zh) | 2021-02-19 |
Family
ID=73785835
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011200371.6A Active CN112099460B (zh) | 2020-11-02 | 2020-11-02 | 适用于深度学习金属注射成型烧结产品质量特征处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112099460B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1539615A (zh) * | 2003-03-31 | 2004-10-27 | 住友化学工业株式会社 | 金属模具设计方法、注射成形品制造方法、程序及注射成形装置 |
| JP2005097658A (ja) * | 2003-09-24 | 2005-04-14 | Jfe Steel Kk | 焼結鉱主原料成分割合予測方法および焼結鉱成分割合制御方法ならび焼結鉱主原料成分割合予測プログラム |
| CN102072657A (zh) * | 2010-12-30 | 2011-05-25 | 中南大学 | 一种基于多目标遗传算法的烧结布料过程优化控制方法 |
| CN104809306A (zh) * | 2015-05-13 | 2015-07-29 | 梧州学院 | 基于多质量指标的注塑成型工艺参数优化方法 |
| CN108415393A (zh) * | 2018-04-19 | 2018-08-17 | 中江联合(北京)科技有限公司 | 一种砷化镓产品质量一致性控制方法及系统 |
| CN110739031A (zh) * | 2019-11-18 | 2020-01-31 | 中南大学 | 一种冶金烧结过程的有监督预测方法、装置及存储介质 |
-
2020
- 2020-11-02 CN CN202011200371.6A patent/CN112099460B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1539615A (zh) * | 2003-03-31 | 2004-10-27 | 住友化学工业株式会社 | 金属模具设计方法、注射成形品制造方法、程序及注射成形装置 |
| JP2005097658A (ja) * | 2003-09-24 | 2005-04-14 | Jfe Steel Kk | 焼結鉱主原料成分割合予測方法および焼結鉱成分割合制御方法ならび焼結鉱主原料成分割合予測プログラム |
| CN102072657A (zh) * | 2010-12-30 | 2011-05-25 | 中南大学 | 一种基于多目标遗传算法的烧结布料过程优化控制方法 |
| CN104809306A (zh) * | 2015-05-13 | 2015-07-29 | 梧州学院 | 基于多质量指标的注塑成型工艺参数优化方法 |
| CN108415393A (zh) * | 2018-04-19 | 2018-08-17 | 中江联合(北京)科技有限公司 | 一种砷化镓产品质量一致性控制方法及系统 |
| CN110739031A (zh) * | 2019-11-18 | 2020-01-31 | 中南大学 | 一种冶金烧结过程的有监督预测方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112099460B (zh) | 2021-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nalbant et al. | The experimental investigation of the effects of uncoated, PVD-and CVD-coated cemented carbide inserts and cutting parameters on surface roughness in CNC turning and its prediction using artificial neural networks | |
| Kilickap et al. | Selection of optimum drilling parameters on burr height using response surface methodology and genetic algorithm in drilling of AISI 304 stainless steel | |
| CN112801091B (zh) | 一种基于深度学习的增材制造制件成形质量监控与预测方法 | |
| CN113236228B (zh) | 一种单井产量快速预测方法及系统 | |
| Majumder et al. | A standard deviation based firefly algorithm for multi-objective optimization of WEDM process during machining of Indian RAFM steel | |
| CN106777652B (zh) | 一种预测高炉透气性的方法 | |
| CN109063983B (zh) | 一种基于社交媒体数据的自然灾害损失实时评估方法 | |
| CN115730738B (zh) | 工艺参数确定方法、装置、计算机设备和存储介质 | |
| CN113722997A (zh) | 一种基于静态油气田数据的新井动态产量预测方法 | |
| CN106845728A (zh) | 一种电力变压器缺陷的预测方法及装置 | |
| CN116468536A (zh) | 一种自动化风险控制规则生成的方法 | |
| Wang et al. | Reinforced quantum-behaved particle swarm-optimized neural network for cross-sectional distortion prediction of novel variable-diameter-die-formed metal bent tubes | |
| CN112099460B (zh) | 适用于深度学习金属注射成型烧结产品质量特征处理方法 | |
| CN114117873B (zh) | 基于重要性采样代理模型的复杂装备时变可靠性分析方法 | |
| CN111062539A (zh) | 基于次级用电量特性聚类分析的总电量预测方法 | |
| CN116821223B (zh) | 基于数字孪生的工业可视化控制平台及方法 | |
| CN116303626B (zh) | 一种基于特征优化和在线学习的固井泵压预测方法 | |
| CN112561184A (zh) | 一种基于gaf特征融合的用水量序列预测模型的方法 | |
| Cheng et al. | A GA mechanism for optimizing the design of attribute double sampling plan | |
| CN114818500A (zh) | 一种基于lstm算法预测土仓压力的方法 | |
| Reshetnikova et al. | Digital transformation of machining workshop’s manufacturing system | |
| CN113806996B (zh) | 一种基于时间记忆建模的篦冷机优化方法 | |
| Dmitriev | Development of system typology and choice of preferred simulation modelling methods for DSS-Toolkit | |
| Liu et al. | Predicting Alloying Element Yield in Converter Steelmaking Using t-SNE-WOA-LSTM | |
| Van Luttervelt | Typology of models and simulation methods for machining operations |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |